智能電網(wǎng)電力組態(tài)軟件及負荷預測算法研究.pdf

1、與傳統(tǒng)的電網(wǎng)相比，智能電網(wǎng)具備堅強、互動、經(jīng)濟、兼容、自愈等優(yōu)點，能幫助電網(wǎng)工作人員快速決策，優(yōu)化配置電力資源。組態(tài)軟件作為是智能電網(wǎng)的智能核心，在其中起到了決定性作用，因此設計開發(fā)了一款具有用電量預測的電力組態(tài)軟件，對提高智能電網(wǎng)電力資源部署精度有重要意義。本文著重研究用電量預測方法，設計開發(fā)電力組態(tài)軟件。主要研究內(nèi)容有：
　　分析組態(tài)軟件的發(fā)展及研究現(xiàn)狀，研究電力組態(tài)軟件的總體設計過程，詳細分析和討論了組態(tài)軟件設計過程中數(shù)據(jù)庫

2、建模、數(shù)據(jù)采集和通訊規(guī)約等問題，設計并實現(xiàn)了電力組態(tài)軟件的圖形組態(tài)系統(tǒng)的基本功能。
　　研究了灰色理論基本原理和GM(1,1)的建模過程，并用GM(1,1)模型對用電量進行了預測和仿真，針對GM(1,1)模型預測精度低的缺點，提出了利用二階多項式優(yōu)化GM(1,1)模型，得到HGM(1,1)模型，仿真測試表明 HGM模型的預測精度相對于GM模型得到了提高。
　　針對HGM(1,1)模型只考慮用電量因素，并未考慮外界影響因素的缺

3、點，研究了BP神經(jīng)網(wǎng)絡模型的基本原理，提出了灰色模型和BP神經(jīng)網(wǎng)絡模型相結合的HGMBP模型。該模型將HGM(1,1)的預測值和天氣、溫度經(jīng)過量化后的結果作為BP神經(jīng)網(wǎng)絡的輸入，利用 BP算法進行訓練，綜合考慮了影響用電量的因素。仿真測試表明HGMBP模型對用電量預測總體上精度得到了提高，尤其對用電量受到氣象因素影響波動較大時段的預測精度提高比較明顯。
　　針對HGMBP模型在訓練權閾值時出現(xiàn)局部極小值和收斂速度慢的問題，研究了遺